結(jié)合清晰度的無(wú)參考圖像質(zhì)量評(píng)價(jià)*

曹 欣李戰(zhàn)明胡文瑾

（1.蘭州理工大學(xué)電氣工程與信息工程學(xué)院 蘭州 730050）（2.西北民族大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院 蘭州 730000）

1 引言

借助最近推出的設(shè)備（例如攝像機(jī)，電腦，手機(jī)），人們可以輕松地分享他們的生活照片。然而，捕獲，壓縮和發(fā)布圖像到網(wǎng)站的過程中，會(huì)不可避免地造成原始圖像質(zhì)量不同程度的下降。為了能夠保持令人滿意的數(shù)字圖像感知質(zhì)量［1］，我們必須首先確定每個(gè)階段的失真水平，然后提高質(zhì)量。判斷圖像質(zhì)量（或失真度）的過程稱為圖像質(zhì)量評(píng)估。此外，人們希望找到一種省時(shí)的方法，可以自動(dòng)評(píng)估圖像質(zhì)量而無(wú)需人工干預(yù)。因此，客觀的圖像質(zhì)量評(píng)價(jià)被引入以滿足需要。客觀IQA方法可分為三類：全參考（Full-Reference，F(xiàn)R）、部分參考（Reduce-Reference，RR）、無(wú)參考（No-Reference，NR）。

然而，在許多實(shí)際應(yīng)用中，圖像質(zhì)量評(píng)價(jià)系統(tǒng)不能或很難獲取參考圖像。因此，有必要建立一種可對(duì)圖像質(zhì)量進(jìn)行盲評(píng)價(jià)的方法，即無(wú)參考圖像質(zhì)量評(píng)價(jià)方法?，F(xiàn)有的圖像質(zhì)量評(píng)價(jià)方法主要分為特定應(yīng)用型評(píng)價(jià)和通用型評(píng)價(jià)。特定應(yīng)用評(píng)價(jià)是專門為了處理特定的失真類型而設(shè)計(jì)的，一般不能處理其他類型的失真。而通用型評(píng)價(jià)與失真類型無(wú)關(guān)，因此近幾年越來(lái)越多的通用型評(píng)價(jià)方法被提出。

通用型無(wú)參考圖像質(zhì)量評(píng)價(jià)方法分為基于學(xué)習(xí)的方法和基于距離的方法?；趯W(xué)習(xí)的方法沒有參考圖像作為對(duì)比，需要通過學(xué)習(xí)特征為模型提供經(jīng)驗(yàn)，然后借助學(xué)習(xí)的經(jīng)驗(yàn)預(yù)測(cè)圖像質(zhì)量。目前最為經(jīng)典的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法有BIQI［2］和DIIVINE［3］，其相同之處都是在空間或時(shí)間域的基礎(chǔ)上，分析待評(píng)價(jià)圖像的統(tǒng)計(jì)特征，建立統(tǒng)計(jì)特征與主觀評(píng)價(jià)之間的映射關(guān)系，進(jìn)而對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)。隨后基于DIIVINE的算法被提出，Saad等［4］開發(fā)了一種有效的、通用的、無(wú)參考圖像質(zhì)量評(píng)價(jià)算法BLIINDS-II，通過提取離散余弦變換系數(shù)的自然場(chǎng)景統(tǒng)計(jì)特征，利用貝葉斯模型預(yù)測(cè)圖像質(zhì)量。Mittal等［5］提出了基于圖像空間域的盲圖像質(zhì)量評(píng)估（BRISQE）算法，該模型不計(jì)算失真特定的特征，而是使用來(lái)自局部歸一化亮度系數(shù)的場(chǎng)景統(tǒng)計(jì)作為特征，以量化由于失真的存在而在圖像中自然損失的可能性。此外，該方法不需要將圖像變換到另一個(gè)域，這可以大大降低計(jì)算復(fù)雜度，使其適合于實(shí)時(shí)應(yīng)用。Mittal還推出另一種無(wú)參考圖像質(zhì)量評(píng)價(jià)模型，該模型僅使用自然圖像中觀察到的統(tǒng)計(jì)規(guī)律性的可測(cè)量偏差，而不需要在人為失真的圖像上進(jìn)行訓(xùn)練。我們稱之為自然圖像質(zhì)量評(píng)估器（NIQE）［6］，它基于從空間域自然場(chǎng)景統(tǒng)計(jì)模型中提取統(tǒng)計(jì)特征。DLIQA［7］是另一種基于自然場(chǎng)景統(tǒng)計(jì)的無(wú)參考圖像質(zhì)量評(píng)價(jià)模型。該方法與其他方法的主要區(qū)別在于其是基于分類的框架，而不是回歸模型。首先，圖像由自然場(chǎng)景統(tǒng)計(jì)特征表示，可以分為5個(gè)等級(jí)，分別對(duì)應(yīng)5個(gè)定性描述（優(yōu)秀，良好，一般，差）通過一個(gè)深度分類器，然后將質(zhì)量標(biāo)簽及其相應(yīng)的概率置信度通過質(zhì)量池轉(zhuǎn)換為數(shù)值評(píng)分。Zhang等利用五種類型的自然圖像統(tǒng)計(jì)特征，從原始的自然圖像集學(xué)習(xí)圖像塊的多元高斯模型。利用所學(xué)習(xí)的多元高斯模型，采用類巴氏距離來(lái)度量每個(gè)圖像塊的質(zhì)量，然后通過平均池得到整體質(zhì)量分?jǐn)?shù)。這種方法不需要任何失真圖像和訓(xùn)練的主觀質(zhì)量評(píng)分，稱為IL-NIQE［8］。近年，Ghadiyaram等［9］開發(fā)了一種無(wú)參考圖像質(zhì)量評(píng)價(jià)模型FRIQUEE，它結(jié)合了多個(gè)域上的大量統(tǒng)計(jì)特征來(lái)訓(xùn)練一個(gè)能夠盲目預(yù)測(cè)圖像質(zhì)量的回歸器。雖然這兩種方法使用高度多樣化的特征集，并且可以對(duì)具有多個(gè)失真或真實(shí)失真的圖像進(jìn)行良好的處理，但是它們不能準(zhǔn)確地估計(jì)具有多種失真類型的數(shù)據(jù)庫(kù)的圖像質(zhì)量。隨后Ye等［11］提出了另一種基于特征學(xué)習(xí)的方法，稱為CORNIA。首先，使用原始圖像塊局部描述符。其次，他們使用基于碼本的方法自動(dòng)學(xué)習(xí)功能。碼本是通過對(duì)從未標(biāo)記訓(xùn)練圖像提取的局部特征進(jìn)行K均值聚類而構(gòu)建的。第三，他們使用軟編碼和最大的編碼池。該過程無(wú)參數(shù)且計(jì)算效率高。最后，采用線性核的SVR進(jìn)行質(zhì)量評(píng)估。與之前的方法（CBIQ［10］）相比，CORNIA不需要標(biāo)簽來(lái)構(gòu)建密碼本。它還能夠通過使用較小的碼本更準(zhǔn)確地估計(jì)質(zhì)量。Liu等［12］利用curvelet子帶系數(shù)的非對(duì)稱廣義高斯分布模型參數(shù)、子帶方向及子帶尺度能量分布作為特征進(jìn)行圖像質(zhì)量評(píng)價(jià)。Li等［13］利用Shearlet子帶系數(shù)的振幅均值評(píng)價(jià)圖像質(zhì)量。綜上所述，雖然現(xiàn)有的無(wú)參考圖像質(zhì)量評(píng)價(jià)已取得顯著的效果，但是對(duì)于各種復(fù)雜的失真類型還有很大的提升空間。

在前人工作的基礎(chǔ)上，本文提出以提取梯度特征與多尺度能量來(lái)衡量圖像的清晰度，首先提取圖像的梯度特征，然后進(jìn)行多尺度小波分解，進(jìn)而提取各尺度高頻系數(shù)，并將低頻系數(shù)進(jìn)行量化編碼作為高頻系數(shù)的一部分，根據(jù)高頻系數(shù)計(jì)算能量。此外，考慮到人眼的視覺特性，提取圖像的LBP以及Lαβ色彩空間的顏色特征；最后通過支持向量回歸建立評(píng)價(jià)模型。

2 基于特征提取與能量分解的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法

2.1 清晰度分析

圖像的清晰度是指人眼宏觀看到的圖像的清晰程度，是衡量圖像質(zhì)量的重要指標(biāo)之一。當(dāng)人眼主觀感覺對(duì)一幅圖像進(jìn)行定量測(cè)試時(shí)，往往會(huì)被明亮和引人注目的區(qū)域吸引，也就是說對(duì)于圖像清晰度的判斷取決于圖像中清晰區(qū)域，如果圖片中的局部區(qū)域足夠清晰則認(rèn)為該圖像質(zhì)量很好。所以在計(jì)算圖像質(zhì)量時(shí)，我們會(huì)選取圖像中清晰度高的區(qū)域作為基準(zhǔn)，這樣不僅可以突出顯著性對(duì)象，還能夠表達(dá)出圖片中的重要信息。而清晰度由高頻區(qū)域的空間細(xì)節(jié)內(nèi)容和邊緣決定。

2.1.1 梯度特征提取

邊緣是圖像最基本的特征，是人眼識(shí)別目標(biāo)的重要信息。為了突出圖像的邊緣來(lái)更好地評(píng)價(jià)圖像清晰度，本文利用Prewitt邊緣檢測(cè)算子提取圖像邊緣信息，Prewitt濾波器沿水平方向（x）和垂直方向（y）被定義為如下式：

計(jì)算梯度幅值GM1，定義如下式：

其中Hx是水平方向?yàn)V波器，Hy是垂直方向?yàn)V波器，f(x)是待評(píng)價(jià)圖像，?是線性卷積運(yùn)算。

梯度幅值GM1的特征由其均值ave_grad1和標(biāo)準(zhǔn)差std_grad1來(lái)表示。

圖像的一階與二階導(dǎo)數(shù)在圖像邊緣提取中十分重要。圖像中大部分邊緣都不是突變的而是慢慢變化的，一階導(dǎo)數(shù)將斜坡（斜坡區(qū)域是圖像中最常見的區(qū)域）變成了粗線，二階導(dǎo)數(shù)將斜坡變成了細(xì)線；二階導(dǎo)數(shù)比一階導(dǎo)數(shù)有更好的細(xì)節(jié)增強(qiáng)，基于此，本文在一階導(dǎo)數(shù)的基礎(chǔ)上提取二階導(dǎo)數(shù)如下：梯度幅值GM2的特征由其均值ave_grad2和標(biāo)準(zhǔn)差std_grad2來(lái)表示。

雖然二階導(dǎo)數(shù)對(duì)精細(xì)細(xì)節(jié)，如細(xì)線、孤立點(diǎn)有更好的增強(qiáng)表現(xiàn)但是對(duì)噪聲也有較強(qiáng)的響應(yīng)，雖然本文選取了對(duì)噪聲有抑制作用的Prewitt算子，但是為了進(jìn)一步減少噪聲的影響，我們提取三階導(dǎo)數(shù)對(duì)圖像進(jìn)行處理如下：

梯度幅值GM3的特征由其均值ave_grad3和標(biāo)準(zhǔn)差std_grad3來(lái)表示。

綜合以上可以得到待測(cè)圖像的梯度特征即：

2.1.2 能量計(jì)算

圖像的清晰程度一般可由高頻信息反映出來(lái)，圖像的高頻信息占比越大，能量也越大，則表示圖像清晰度越高，反之圖像越模糊，則包含的高頻信息就越少，能量就越低，則清晰度就低。而小波變換可將一幅圖像分解成近似（低頻成分）和細(xì)節(jié)（高頻成分）圖像?；诖?，本文提出以小波變換為基礎(chǔ)計(jì)算能量來(lái)判斷圖像清晰度，其具體計(jì)算過程如下：

1）對(duì)待評(píng)價(jià)圖像f（x）進(jìn)行灰度化；

2）利用二維離散小波對(duì)灰度化后的圖像進(jìn)行3層分解；

3）得到3個(gè)不同尺度的高頻系數(shù)和低頻系數(shù)；

4）接下來(lái)對(duì)高頻系數(shù)進(jìn)行放大處理，并抑制低頻系數(shù)；

5）最后對(duì)各部分高頻信息進(jìn)行能量計(jì)算，利用加權(quán)融合方法得到總的能量Fish_feat。

最終，待測(cè)圖像的清晰度用如下特征來(lái)表示：

2.2 統(tǒng)一化LBP直方圖特征

局部二進(jìn)制模式（Local Binary Pattern，LBP）是一種有效的描述圖像局部紋理特征的算子。對(duì)任意空間給定位置（xc，yc），將其與相鄰的8個(gè)像素的灰度值進(jìn)行比較，可產(chǎn)生8位二進(jìn)制數(shù)，該二進(jìn)制數(shù)對(duì)應(yīng)的十進(jìn)制數(shù)被定義為L(zhǎng)BP如下所示：

其中ic表示中心像素（xc，yc）的灰度值，in是其8個(gè)相臨位置的灰度值。

我們知道8bit的LBP的特征維數(shù)為2^8=256，向量維數(shù)非常高，使其計(jì)算和存儲(chǔ)受到限制。

為了解決這種問題，對(duì)LBP算子擴(kuò)展為統(tǒng)一模式，這里的統(tǒng)一化模式就是一種降維方式。所謂統(tǒng)一模式是指一個(gè)二進(jìn)制序列從0到1或者是從1到0的變換最多只包含兩次，通過二進(jìn)制數(shù)首尾相連，所有8位二進(jìn)制數(shù)中共有58種變化，將58種變化即58維等價(jià)模式歸為一類，除了58維等價(jià)模式以外的模式都?xì)w為另外一類，稱之為混合類，即將值分為59維，58維為一類，其它的所有值為第59維。

這樣原始的直方圖從256維減少為59維，大大的降低了其特征維數(shù)，且不會(huì)丟失重要的紋理信息，同時(shí)減少了高頻噪聲的影響，與其它的LBP算子相比，統(tǒng)一化模式LBP算子具有明顯的優(yōu)勢(shì)。

最終，待測(cè)圖像的59維紋理特征通過LBP直方圖表示如下式所示：

其中，n等于59，表示含有59個(gè)bin的直方圖。

2.3 色度統(tǒng)計(jì)特征

色彩空間將顏色從人們的主觀感受量化為具體的表達(dá)，因此，色彩空間的選取要符合人眼的視覺感知，本文選擇在lαβ空間進(jìn)行圖像的處理，lαβ色彩空間各通道具有最小的相關(guān)性，而且能夠?qū)D像的灰度信息和顏色信息分離開，這樣以便于對(duì)三個(gè)通道進(jìn)行獨(dú)立運(yùn)算，且不會(huì)影響原圖像的效果。我們需要將圖像從RGB空間轉(zhuǎn)換到lαβ空間。從RGB空間到lαβ空間的轉(zhuǎn)換如下：

為了使數(shù)據(jù)分布更加聚斂，且更符合人類對(duì)顏色的感知，進(jìn)一步將LMS空間轉(zhuǎn)換到以10為底的對(duì)數(shù)空間。

從LMS空間到lαβ空間的轉(zhuǎn)換可由下式得到。

其中，l表示亮度分量，α表示黃一藍(lán)通道，β表示紅一綠通道。

經(jīng)過以上步驟就完成了從RGB空間到lαβ空間的轉(zhuǎn)換，對(duì)藍(lán)黃通道和紅綠通道進(jìn)行非對(duì)稱廣義高斯分布擬合，其表達(dá)式如下：

式中：

提取到形狀參數(shù)υ，左右方差σl2，σr2，另外也提取其峰態(tài)（Kurtosi）和偏態(tài)參數(shù)（Skewness）。

最終，待測(cè)圖像的色度統(tǒng)計(jì)特征可用如下特征向量表示：

3 基于SVR的無(wú)參考圖像質(zhì)量評(píng)價(jià)模型

本文所提算法由清晰度（7維，其中包含梯度特征6維，不同尺度能量1維），以及統(tǒng)一化模式的LBP直方圖（59維）和lαβ顏色空間下紅綠通道和藍(lán)黃通道系數(shù)分布參數(shù)（10維），共76維特征。然后以76維特征作為輸入，利用支持向量回歸得到預(yù)測(cè)模型，對(duì)待評(píng)價(jià)圖像進(jìn)行質(zhì)量預(yù)測(cè)。

支持向量機(jī)是由Vapnik首先提出的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋找最佳的預(yù)測(cè)模型。通過引入核函數(shù)，將低維原始特征映射到高維特征空間中有效地進(jìn)行非線性分類，從而避免了高維空間中的復(fù)雜運(yùn)算。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)

本文選擇在LIVE數(shù)據(jù)庫(kù)上驗(yàn)證所提無(wú)參考圖像質(zhì)量評(píng)價(jià)模型的有效性。LIVE數(shù)據(jù)庫(kù)中包含29張參考圖像和779張失真圖像，其包含5種（JPEG壓縮、JPEG2000壓縮、白噪聲、高斯模糊、快速衰落）失真類型，每張圖片存在5～6個(gè)失真等級(jí)。數(shù)據(jù)庫(kù)中都給出了每幅圖像相應(yīng)DMOS值，這些DMOS值是由161個(gè)觀察者主觀評(píng)價(jià)方法得出的，取值范圍為0～100，其值越大相應(yīng)圖像的失真程度越大。

4.2 IQA性能評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)預(yù)測(cè)結(jié)果，視頻質(zhì)量專家組提出了皮爾森線性相關(guān)系數(shù)（Pearson Linear Correlation Coefficient，PLCC）、斯皮爾曼秩相關(guān)系數(shù)（Spearman’s Rank Correlation Coefficient，SROCC）。SROCC用來(lái)反映客觀評(píng)價(jià)方法的單調(diào)性，其值越接近于1，算法的單調(diào)性越好。計(jì)算PLCC之前需要先對(duì)客觀質(zhì)量評(píng)價(jià)算法與DMOS進(jìn)行非線性回歸分析。PLCC用于反映客觀評(píng)價(jià)方法的預(yù)測(cè)精度，其值越接近于1表示，則算法的精確性越高。

非線性回歸采用logistic回歸函數(shù)。logistic回歸函數(shù)公式如下式：

式中β1、β2、β3、β4和β5是回歸模型的參數(shù)。

4.3 實(shí)驗(yàn)結(jié)果

為了與目前的無(wú)參考圖像質(zhì)量評(píng)價(jià)方法BRISQUE、BLIINDS-II、DIIVINE、C-DIIVINE、CORNIA、IL-NIQE、BIQI、MIQA、GRNN及SHANIA等進(jìn)行比較。本文采用支持向量回歸進(jìn)行測(cè)試。測(cè)試方法主要步驟如下：

1）提取LIVE數(shù)據(jù)庫(kù)中所有圖像的特征及其相應(yīng)的主觀評(píng)分（DMOS）；

2）將LIVE數(shù)據(jù)庫(kù)中29張參考圖像隨機(jī)分為80%和20%，從而找到相應(yīng)失真圖像80%的訓(xùn)練集和20%的測(cè)試集，以此訓(xùn)練集和測(cè)試集中沒有任何重合的圖像；

3）利用訓(xùn)練集對(duì)應(yīng)的特征及其相應(yīng)DMOS訓(xùn)練評(píng)價(jià)模型，并利用測(cè)試集中各圖像提取的特征預(yù)測(cè)圖像質(zhì)量得分；

4）計(jì)算測(cè)試集中所預(yù)測(cè)得分與其相應(yīng)DMOS之間的SROCC和PLCC值；

5）重復(fù)以上2），3），4）步驟1000次，保證了不會(huì)因?yàn)橛?xùn)練的空域內(nèi)容導(dǎo)致的偏差，然后以1000次測(cè)試結(jié)果SROCC和PLCC的中值作為本文所提算法最終評(píng)價(jià)指標(biāo)。

表1～2為各無(wú)參考質(zhì)量評(píng)價(jià)方法1000次迭代測(cè)試中SROCC及PLCC的中值。

表1 1000次迭代測(cè)試中各評(píng)價(jià)方法SROCC中值

表2 1000次迭代測(cè)試中各評(píng)價(jià)方法PLCC中值

由表1和表2可以看出，不同無(wú)參考圖像質(zhì)量評(píng)價(jià)方法的評(píng)價(jià)結(jié)果在各種失真類型上的性能比較結(jié)果。在這里用SROCC和PLCC做比較，從各失真類型評(píng)價(jià)結(jié)果看，本文在大多數(shù)失真類型上都取得較好效果，但對(duì)不同失真類型的評(píng)價(jià)結(jié)果稍有差別，總體上對(duì)JP2K、WN、FF失真類型評(píng)價(jià)中優(yōu)勢(shì)比較明顯。

4.4 算法的魯棒性

由于訓(xùn)練集和測(cè)試集的不同劃分會(huì)影響圖像質(zhì)量評(píng)價(jià)模型最終的評(píng)價(jià)和識(shí)別效果。為了分析不同劃分比例對(duì)不同失真類型的識(shí)別以及對(duì)模型整體預(yù)測(cè)精度的影響，將LIVE數(shù)據(jù)庫(kù)按照表3和表4所示的比例分為訓(xùn)練集和測(cè)試集。圖像質(zhì)量評(píng)價(jià)模型以及不同失真類型識(shí)別模型在不同測(cè)試集和訓(xùn)練集下的實(shí)驗(yàn)結(jié)果如表3和表4所示。

表3 不同訓(xùn)練和測(cè)試比例情況下的1000次迭代測(cè)試的SROCC中值

表4 不同訓(xùn)練和測(cè)試比例情況下的1000次迭代測(cè)試的PLCC中值

從上述表3和表4可以看出，隨著訓(xùn)練集比例的減少，不同失真類型以及整體的評(píng)價(jià)結(jié)果SROCC和PLCC在該模型上同時(shí)也出現(xiàn)了下降，但下降的幅度并不顯著。當(dāng)訓(xùn)練集的比例僅為50%時(shí)，對(duì)整個(gè)LIVE圖像庫(kù)的評(píng)價(jià)結(jié)果SROCC及PLCC依然可達(dá)到0.9以上，該測(cè)試表明本文所提模型評(píng)估結(jié)果與主觀評(píng)價(jià)間可以保持較高的一致性。

4.5 計(jì)算復(fù)雜性分析

實(shí)際應(yīng)用中我們?cè)谠O(shè)計(jì)或選用評(píng)價(jià)模型時(shí)往往希望具有比較低的復(fù)雜度，以便于應(yīng)用于實(shí)時(shí)系統(tǒng)中。在這里我們只統(tǒng)計(jì)各方法在提取兩張分辨率為512×512的圖像特征時(shí)所花費(fèi)的時(shí)間。從表5可知本文算法具有較低的復(fù)雜度。

表5 各無(wú)參考圖像質(zhì)量評(píng)價(jià)算法運(yùn)行時(shí)間比較

從表5可以看出，在上述5種評(píng)價(jià)方法中，本文方法的計(jì)算復(fù)雜性雖優(yōu)于BLIINDS-Ⅱ和DIIVINE，但稍差于BRISQUE和CurveletQA。其原因如下：1）BRISQUE僅僅在空間域進(jìn)行簡(jiǎn)單的廣義高斯函數(shù)擬合提取統(tǒng)計(jì)特征，中間沒有太多的計(jì)算環(huán)節(jié)；2）CurveletQA只有12個(gè)特征，只需要進(jìn)行Curvelet分解和計(jì)算方向能量及子帶能量分布。

5 結(jié)語(yǔ)

為了提高無(wú)參考圖像質(zhì)量評(píng)價(jià)方法與人眼視覺感知結(jié)果的一致性，本文介紹了一種結(jié)合清晰度來(lái)評(píng)價(jià)圖像質(zhì)量的模型。首先提取梯度特征及其多尺度下的子帶能量；進(jìn)而提取統(tǒng)一化模式的LBP直方圖特征；然后提取lαβ顏色空間下藍(lán)黃通道和紅綠通道系數(shù)分布參數(shù)；最后運(yùn)用支持向量回歸建立圖像質(zhì)量評(píng)價(jià)模型。梯度特征和紋理特征可以互相補(bǔ)充，多尺度能量和顏色空間下紅綠通道和藍(lán)黃通道系數(shù)分布參數(shù)可以互相補(bǔ)充，比較全面地反映各種失真對(duì)圖像結(jié)構(gòu)，視覺等信息的影響，實(shí)驗(yàn)結(jié)果表明本文所提評(píng)價(jià)模型在LIVE數(shù)據(jù)庫(kù)上基本和人類主觀評(píng)價(jià)相一致，另外在評(píng)價(jià)效果以及算法復(fù)雜度上同樣取得了比較理想的結(jié)果。但是，該算法在紋理特征提取上還存在很大的改進(jìn)空間，所以，在后面的研究中，可以在彩色空間進(jìn)行紋理特征的提取，同時(shí)提高紋理特征提取的效率，從而使算法性能得到進(jìn)一步提高。